人工智能技术发展现状与展望

张心悦

（山东师范大学 山东省济南市 250014）

人工智能是与生物拥有的自然智能形成对比，用机器展示智能的一种机器智能，可以模仿人类“学习”、“解决问题”等认知功能。近年来，人工智能技术发展很快，许多基于自我学习能力的功能已实现商用，人们开始关注人工智能能取代哪些人类工作。要讨论人工智能的未来，需要先分析人工智能发展历程及现状，以及未来的发展方向。

1 人工智能发展历程

人工智能在历史的小说如《弗兰肯斯坦》中就已露雏形。与人工智能相关的任务也能追溯到1940年左右，那时候Warren McCulloch 和Walter Pitts 的研究表明可以经过互连的神经元网络执行计算，而且Donald Hebb 也演示了赫布学习[1]。人工智能的研究则在1956年的达特茅斯学院降生。到20世纪60年代中期，美国国防部也对美国人工智能的研究进行了金钱、经济方面的大量支持。但直到1974年，由于各方面施加的压力和阻碍，美国和英国政府为了一些项目更有成效的资金保障，切断了人工智能的研究，导致人工智能研究进程迟缓，被称为“人工智能的冬天”。

直到20世纪80年代初，由于商业需求，人工智能再度复苏。到1985年，其规模就已经超过了10 亿美元，同时，日本开展了第五代计算机项目，这一举措激励了美国和英国对研究的资助。

20世纪90年代末期的离开和21世纪的到来，人工智能逐渐被医学、物流等领域应用，并且人工智能与其他领域（如经济学、统计学等）间也产生了一些新的联系。在1997年5月11日，“深蓝”成为了第一个让加里·卡斯帕罗夫失败的计算机象棋系统。同样，2011年的沃森、2012年的Kinect 和2016年的阿尔法狗都引起了人们强烈的关注。

综上，人工智能算法并不是新鲜事物，已经历了早期概念、机器学习、深度学习等多次浪潮。得益于一些关键技术的不断突破，近年来人工智能得到飞速发展，并且受到了各国政府高度重视。

2 人工智能关键支撑技术

支撑人工智能技术飞速发展的相关技术有很多，主要包括以下七种：

2.1 机器学习

机器学习的覆盖面很广，涉及统计学、逼近领域等不同的领域，用来研究计算机如何模仿和实现人类的学习等行为，从而使机器“学会”学习，并不停将已有的知识结构进行重组从而使本身性能得到不断地改善，因此，机器学习也被称为人工智能的核心。而能够对机器进行命令并使学习这一“行为”运行的方法便是编程，通过将所收集的数据进行处理并得出结果所依靠的是编程，我们可以通过一系列的算法进行运算，从而得出结论，比如地图中寻找两个地区的最短距离等。

2.2 知识图谱

知识图谱本质上是结构化的语义知识库，是由节点和边组成的一种图数据结构。由节点表示“现实”，由边表示“关系”，从而形成一个关系网络，根据这种技术，我们可以构造人工智能的神经网络，这种神经网络可以通过大量数据的联系并进行计算，从而被应用在信用欺诈、天气预报中。

2.3 自然语言处理

自然语言处理是人工智能领域的一个十分重要的方向，它涉及到的畛域十分多，主要包括机器翻译、问答系统和机器阅读理解等。

而关于自然语言如何处理，则需要我们仔细思考。自然语言处理的主要步骤包含分词，词法分析，语义分析和语法分析等；分词是用来将文章或句子依照含义，通过词组的形式分开，而英文因为它的语言格式已经进行了分隔，但是像中文等语言便需要通过拆分一部分词组；词法分析则表示的是对各种语言的词头，词根和词尾等进行拆分，各类语言中名词，动词等一部分词汇类型进行一定的分类，并对多种词义进行一定的选择；而语法分析是指经过一些算法，分析句子元素；语义分析则是指经过对词的正确含意进行选择，通过正确的句法指导，把句子的正确意义表示出来[2]。

（1）机器翻译：机器翻译指的是运用计算机技术完成多种不同的自然语言之间互相翻译的过程，这种人工智能常应用在即时翻译、语音识别上。

（2）语义理解：语义理解技术是运用计算机技术实现对文本的了解，并且对文本中的问题进行解答的过程。这种技术常被用来进行语音识别、设计聊天机器人等应用中。

（3）问答系统：问答系统是指使计算机与人类使用自然语言来进行交流的技术，常用在聊天机器人、智能座席中。

2.4 人机交互

人机交互主要是研究计算机与人类的信息交换，是人工智能畛域的一个重要的外围技术，与认知心理学，多媒体技术，虚拟现实技术密切相关。除了依靠传统的键盘、鼠标、数据手套、压力笔等输入设备和打印机、显示器等输出设备，还包含情感交互，语音交互，体感交互及脑机交互等技术[3]。

2.5 计算机视觉

如图1所示，计算机视觉是可以使计算机对人类的视觉系统进行模拟的一种学问，使计算机领有与人类相类似的提取，处理，理解，分析图像和图像序列的能力；遵照图像预处理，提取特征，建立模型和输出等流程，在深度学习中大多数问题会采用端到端的解决思想[4]。

2.6 生物特征识别

如图2所示，生物特征识别技术是通过对生物体的生理特征或行为特征对个体本身进行辨别和认证的技术，分为注册和识别两个阶段，注册为对个体的特征的录入，识别则是对采集到的个体的数据进行一定的处理，以此得到相应的特征后存储。需要大量的个体数据。通用生物特征识别系统包含数据采集子系统、数据存储子系统、决策子系统和比对子系统等，通过这些子系统可以完成生物特征识别的注册、验证和辨识任务。

图1：视觉技术应用

图2：生物特征识别应用

生物特征识别包括指纹识别、人脸识别、静脉识别、虹膜识别、声纹识别、行为识别、基因组识别和多模态识别。

而样本的采集技术也很丰富，考虑到采集及数据处理的质量，样本的采集技术主要有传感技术、光学系统设计、智能定位和机械控制技术和人机交互设计。

生物特征识别是人工智能发展十分紧要的环节，生物特征识别应用可以提高人工智能在识别物体方面的能力。

2.7 虚拟现实（VR）/增强现实（AR）

两者是以计算机作为核心的新型视听技术。经过虚拟生成与真实环境中的对象进行交互，取得与真实的环境相似的体验。而其要通过显示设备、数据获取设备、处理觉交互设备等实现。通过建模技术对三维物理世界进行数字化和模拟化，对数字内容进行分析并在网络环境下进行大规模的数字化内容的流通、转换、集成，建设自然和谐的人机交互环境，最后进行评估。

3 人工智能技术发展前景

随着各种商用人工智能技术的落地，人工智能在政府治理、商业活动、日常生活中都发挥着重要作用。但是，人工智能技术仍面临着技术难题以及一些负面新闻。进一步分析人工智能技术的优点、不足，有助于展望其未来发展方向。

3.1 人工智能技术的优点

（1）在编码正确的情况下，人工智能的正确率远高于人类。人工智能有着极高的精度、速度和准确度。

（2）由于没有一定的容器，他们几乎不会受到恶劣环境的影响，因此比人类更有利于完成危险任务。

（3）它们并不会收受到类似于人类情绪、身体状况的影响，成本低，能在重复、繁重的工作上更胜一筹。

（4）能够更精确地预测用户输入、搜索等操作，能成为优秀的网络助手。

（5）机器人宠物依靠人工智能，能帮助缓解抑郁、孤单等问题。

（6）可以在医疗领域发挥作用，利用人工智能系统初步诊断出病人所患疾病，提高医治效率。

3.2 人工智能技术瓶颈

（1）严重依赖于数据，在研究数据质量欠佳时会出现结论不全面、不正确的情况。而物联网、智能传感器的飞速发展，有助于解决这一问题。

（2）过于依赖学习模型的类型，在构建人工智能的学习系统前要确定学习模型，如果学习模型构建不正确，分类效果就会下降，甚至出现大量错误。大量学者致力于学习模型的改进以及相关数学理论，学习模型的准确性近年来有了大幅提升。

（3）无法执行多种不特定的任务，人工智能的任务要事先规定好，只能在设计范围内工作[5]。这一问题主要和设备的计算能力有关，芯片制造业的发展以及人工智能专用芯片可以帮助人工智能实现更复杂的工作任务。

（4）需要使用大量的金钱和时间进行构建或修复，由于其精密性使得构建和出现问题后的修复都需要花费大量的资源。随着大量社会资源集中在人工智能研发领域，相信这一问题会有大幅改善。

（5）人工智能在认知领域有一定的局限性，它所处理出来的数据虽然精确，但是还没有自主思考能力和足够精密的传感器，因此在一些无法利用数据的问题中难以产生正确的判断，比如现在的医疗智能机器人只能判断出病人患病的大致类型，后续诊断依旧需要医生的判断。

（6）记忆理论肯定了信息元的存在，但是人工智能目前还无法有效描述信息元对应的一部分知识。随着生物学发展，对人的智能理解进一步加深，人工智能技术也有望找到新的突破口。

（7）人工智能能够相互欺骗，安全人员可以使用人工智能优化威胁检测系统，同时也会有不法分子使用人工智能规避检测系统，如果这些恶意的人工智能通过了检测，就可以畅通无阻地对用户的信息等进行侵害，菜鸟快递信息的泄露也凸显了这一问题的严重性。

4 结论

依靠大数据处理、先进算法和学习模型等关键支撑技术，以及大量技术人员的支持，人工智能拥有一定自我学习能力。但是人工智能无法实现同人脑情感、情绪和经验等方面的自然交互，只能模仿人脑理性思维，无法模仿人的感性思维，无法跨越到意识领域。因此，人工智能只能取代人类的一部分工作，例如一些枯燥、重复、低技术含量的工作;在需要创新性的工作中，人工智能无法取代人类，顶多充当助手工作。从另一角度而言，人工智能所需要的数据由人类收集创造，模型依赖数学，也就是说人工智能的发展与应用深度依赖着人类的创新性活动。

一些关键支撑技术的飞速发展，也助推了大量人工智能技术的实际应用。随着限制人工智能的技术瓶颈不断被突破，越来越多的非创新性工作都将由人工智能所完成，人工智能技术的完善也将会在各行各业做出贡献。